微软联合匹兹堡大学、西北大学、UC Irvine 发布 THINKINGBOX 沙盒与 THINKINGBOX-BENCH 基准：507 个政策条件化的有状态业务工作流，覆盖零售、酒店、车险、新银行 IT 与咨询 IT/HR 五域，用隔离的 MCP 工具会话、模拟用户与终端后端状态检查评测 Agent。最强模型 GPT-5.4 pass@1 仅 65.36%，pass@20 高达 91.12% 但 20 次全过的 pass^20 仅 25.25%，暴露「偶尔成功」与「可靠完成」之间的巨大鸿沟；79,853 次失败试验中 80.88% 干净终止且含写操作，证明响应级/调用级信号无法代理端到端完成。本精读覆盖其 POMDP 形式化、评测协议、失败归因与可靠性根源分析。

当 Agent 技能库膨胀到成千上万份文档，往上下文装哪几份技能直接决定任务成败与 token 账单。清华交叉信息研究院 Longbo Huang 组首次把「技能选择」形式化为硬 token 预算下最大化「单调次模收益减线性上下文惩罚」，并提出多项式算法 BPS，证明该问题首个双准则(1−1/e, 1)近似保证，收益系数多项式时间最优。目标函数从执行记录拟合，拟合误差可证转移到有界选择regret。在污染受控 BigCodeBench 变体上，BPS 达 0.73 实测成功率，对已发布路由器、检索器与执行器自选的 0.20–0.52 全面胜出，且比最强路由器省 28% token。本精读拆解其形式化、BPS 算法、预算对齐插值证明，以及「上下文价值是集合级而非单体可打分」的核心洞察。

工具增强Agent每个请求都要重新编码一遍以不同组合、不同顺序出现的工具与技能schema，标准前缀缓存对此无能为力。ReCache提出resource-wise attention，切断资源间注意力并重置资源内位置索引，使每个资源的KV块具有组合不变性、可独立缓存复用；再叠加贡献选择的层-KV头组路由与字段感知的语义剪枝，把KV张量内存降低92.43%、注意力加速1.423倍，同时Inv-F1基本不降。本精读覆盖其动机、机制、七数据集基准与效果根源分析。

东京大学团队提出Task-CoEvolve，让验证任务集与harness共进化：用方差加权采样把评估预算聚焦在候选harness分歧最大的能力前沿任务上，再用Horvitz-Thompson/Hájek类估计器从采样子集无偏还原全量分数。在Terminal-Bench 2.1上仅用20%预算就逼近全量搜索（均值51.7 vs 52.8），整体搜索成本降67-80%；文本分类7%预算接近全量、20%预算反超。本精读覆盖背景、定位、方法机制、实验证据、效果根源因果链、必要知识反推与通用灵感九个部分。

神秘模型Ox Alpha免费周登顶编程榜，DeepSWE 80%碾压Fable 5与Sol，分词器指纹指向智谱GLM-5.3 Flash，中美前沿差距实质缩小；可靠性评测三线合流——Thinkingbox揭示pass@k与pass^k鸿沟、信用分配信号全部失效审计、记忆状态追踪基准；NVIDIA证明harness使Opus 5在ARC-AGI-3从30%跃至100%满分；GPT-5.6 Sol降价20%至4美元，智能成本六个月下降56倍；世界人形机器人运动会2056台机器人参赛，天工Ultra百米9.39秒打破博尔特纪录。

深度精读 Einsia.AI 与清华大学 2026 年 8 月提出的 AI4AI-Bench：首个隔离测量 LLM Agent 训练算法设计能力的基准。10 个冻结研究仓库、单块 B300 四小时改写、十二小时从零重跑、0/0.1/1.0 三锚点统一量表，29 个配置平均仅 0.166、最佳 0.250——最强系统连’已有算法到最优’距离的五分之一都没走完；而推理预算买到的主要是’敢去改’的意愿，参与率从 8% 提升到 64%。

深度精读 EnvHarness——与 Agent Harness 对称的环境侧革命：不改环境本身，在交互接口上包装一层可编程插件（Stage/Contract/Chain 三类组件），把静态冻结环境重塑为针对当前策略弱点的定制化训练场。EnvRigger 自动化引擎通过 Observe→Diagnose→Write→Validate 四阶段循环，自动诊断策略缺陷并生成验证过的组件，在 ALFWorld、WebArena、SWE-bench Verified、OfficeQA、SpreadsheetBench 五大基准上全面超越原环境与领域特定生成器，环境规模化收益持续未饱和。

深度精读 USTC+上海AI Lab+复旦合作的 FACET 论文——面向终端 agent 训练的任务合成框架。论文指出多阶段任务合成的两大失败根源：源信息逐步丢失与任务制品间漂移，提出三阶段方案：71K 技能库构建、五维情景重构、以及以’共享可执行状态’为核心的环境先行接地，按 I→S→V 顺序让指令/解法/验证器共享同一真实容器状态。基于 6078 个任务（每任务 22.77 项可执行检查）、仅 1.2K SFT 轨迹，即让 Qwen3.5-27B 在 Terminal-Bench 2.1 上提升 6.75 分，距 397B 巨兽仅差 1.49 分而参数少约 15 倍。

深度精读中科院自动化所、国科大与腾讯微信联合发表的 FlashPrefill V2——面向长上下文 LLM 服务的训练免费块稀疏 prefill 注意力方案。针对前作「精度失控、内核落后、不兼容生产引擎」的三重差距，V2 以块均值校正补偿被剪枝块的注意力贡献、以对齐 FA3/4 的 warp 特化稀疏内核兑现稀疏收益、以原生 paged KV 与连续批处理无缝接入 SGLang。128K 上下文下 H20 算子级较 FA3/4 对齐 dense 基线加速 17.5 倍（FP8 达 30 倍），端到端 TTFT 最高 4.83 倍，而 RULER/LongBench 精度损失不足 1.1 分，是「算法-内核-系统」三层协同落地的教科书级范例。

计算机使用 agent 要真正进入真实工作，必须先搞清楚’这项工作实际是怎么做的’。Stanford 与 CMU 的这篇论文提出 TMI（TaskModelInduction），从被动录制的自然计算机使用轨迹中诱导结构化任务模型：先把多条交织的并发任务解缠成独立潜任务，再为每个任务构建’层次目标模型（做什么）+ 过程模型（怎么做）‘双模型。在受控轨迹上任务分组与 ground-truth 一致性达 0.974，重建 74.9% 的观测执行步骤；由任务模型派生的技能使 held-out 任务准确率提升 30.0%。本精读覆盖其问题定义、双模型解法、内外双层评估设计、优势根源与可推广的通用性灵感。